Soutenance de thèse de Youssef EL KOUCH

Performance énergétique des bâtiments : une approche multi-agents adaptative pour la détection et la prédiction de profils énergétiques journaliers


Titre anglais : Energy Performance in Buildings: An Adaptive Multi-Agent Approach for Daily Energy Profile Detection and Prediction
Ecole Doctorale : EDMITT - Ecole Doctorale Mathématiques, Informatique et Télécommunications de Toulouse
Spécialité : Informatique et Télécommunications
Etablissement : Université de Toulouse
Unité de recherche : UMR 5505 - IRIT : Institut de Recherche en Informatique de Toulouse
Direction de thèse : Stéphanie COMBETTES- Berangere LARTIGUE


Cette soutenance aura lieu vendredi 29 janvier 2027
Adresse de la soutenance : IRIT - salle Auditorium

devant le jury composé de :
Stéphanie COMBETTES   Maître de conférences   Université de Toulouse   Directeur de thèse
Bérangère LARTIGUE   Maîtresse de conférences   Université de Toulouse   CoDirecteur de thèse
Jean-Christophe PONSART   Professeur   Université de Lorraine   Examinateur
Georges DA COSTA   Professeur   Université de Toulouse   Examinateur


Résumé de la thèse en français :  

L’amélioration de la performance énergétique des bâtiments nécessite de comprendre leur fonctionnement et d’anticiper leurs besoins. Les mesures issues des capteurs permettent d’identifier des profils journaliers de consommation, représentatifs de différents modes de fonctionnement. Cependant, ces profils évoluent sous l’effet des conditions météorologiques, de l’occupation et des stratégies de gestion. Les méthodes de clustering statiques prennent difficilement en compte ces changements sans répéter l’analyse des données.

Cette thèse propose une approche fondée sur les systèmes multi-agents adaptatifs pour détecter et prédire les profils énergétiques journaliers des bâtiments. Une première contribution, AMA-PD, assure la détection en ligne de ces profils. Chaque journée est représentée par une courbe de consommation et comparée aux profils existants à l’aide de la distance Dynamic Time Warping (DTW). La coopération entre agents permet de créer, d’actualiser, de fusionner et de supprimer des clusters au fil des observations. Le nombre de profils n’est pas fixé à l’avance et les journées atypiques sont distinguées des comportements récurrents.

Une seconde contribution, AMA-PDP, étend cette architecture à la prédiction du profil du lendemain à partir d’informations contextuelles, telles que la météo, l’occupation, le calendrier et les mesures récentes. Deux approches sont étudiées. La première prédit directement le label du profil à l’aide d’un perceptron multicouche incrémental dont la couche de sortie s’adapte aux changements de clusters. La seconde utilise un réseau LSTM pour prévoir les 24 valeurs horaires de consommation, puis associe cette courbe au profil existant le plus proche. Cette formulation dissocie l’apprentissage des consommations de l’évolution des labels, tout en conservant une prédiction exprimée sous forme de profil de fonctionnement.

Les méthodes sont évaluées sur des données réelles et simulées de chauffage, de refroidissement et d’électricité. L’analyse porte sur la qualité des profils détectés, la précision des prédictions, les erreurs énergétiques et l’adaptation aux profils rares ou nouvellement détectés. Une expérimentation en boucle fermée avec EnergyPlus examine également les effets de l’application des profils prédits sur la température intérieure et le confort pendant les heures d’occupation.

Ces travaux visent à fournir une représentation évolutive et interprétable du fonctionnement énergétique des bâtiments, ainsi qu’une anticipation de leurs besoins pour accompagner leur gestion.

 
Résumé de la thèse en anglais:  

Improving energy performance in buildings requires understanding their operation and anticipating their needs. Sensor measurements can reveal daily energy consumption profiles that represent different operating conditions. However, these profiles evolve with weather, occupancy, and control strategies. Static clustering methods struggle to accommodate these changes without repeating the analysis of historical data.

This thesis proposes an approach based on adaptive multi-agent systems to detect and predict daily building energy profiles. The first contribution, AMA-PD, performs online profile detection. Each day is represented by a consumption curve and compared with existing profiles using the Dynamic Time Warping (DTW) distance. Cooperation between agents allows clusters to be created, updated, merged, and deleted as observations become available. The number of profiles is not fixed in advance, and atypical days are distinguished from recurring operating patterns.

The second contribution, AMA-PDP, extends this architecture to predict the following day’s profile using contextual information, including weather, occupancy, calendar variables, and recent measurements. Two approaches are investigated. The first predicts the profile label directly using an incremental multilayer perceptron whose output layer adapts to changes in the cluster set. The second uses an LSTM network to forecast the 24 hourly consumption values, then assigns the forecast curve to the closest existing profile. This formulation separates consumption learning from changes in profile labels while retaining an operating profile as the prediction output.

The methods are evaluated on real and simulated heating, cooling, and electricity consumption data. The analysis examines the quality of the detected profiles, prediction accuracy, energy errors, and adaptation to rare and newly detected profiles. A closed-loop experiment with EnergyPlus also examines how applying predicted profiles affects indoor temperature and comfort during occupied hours.

This research aims to provide an evolving and interpretable representation of building energy operation and to anticipate energy needs in support of building management.

Mots clés en français :Prédiction de profils, Systèmes multi-agents adaptatifs, Performance énergétique des bâtiments, Intelligence artificiel, Apprentissage incrémental, Profils énergétiques journaliers,
Mots clés en anglais :   Profile prediction, Adaptive multi-agent systems, Building energy performance, Clustering dynamique, Incremental learning, Daily energy profiles,